{"id":133802,"date":"2026-01-28T12:52:21","date_gmt":"2026-01-28T11:52:21","guid":{"rendered":"https:\/\/multi.liora.io\/?p=133802"},"modified":"2026-02-06T09:37:15","modified_gmt":"2026-02-06T08:37:15","slug":"pytorch-saber-todo-sobre-el-marco-de-trabajo-de-deep-learning-de-facebook","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/pytorch-saber-todo-sobre-el-marco-de-trabajo-de-deep-learning-de-facebook","title":{"rendered":"PyTorch: saber todo sobre el marco de trabajo de Deep Learning de Facebook"},"content":{"rendered":"

Al ser el lenguaje Python uno de los m\u00e1s utilizados, contiene muchos frameworks y muchos los desarrolla exclusivamente para la Data Science. En este art\u00edculo, vamos a hablar detalladamente de uno de ellos. PyTorch.<\/strong><\/p>\nLa popularidad de la Data Science<\/a> no ha dejado de crecer en los \u00faltimos a\u00f1os, y con ella una explosi\u00f3n de recursos puestos a disposici\u00f3n de los programadores: ya no es necesario escribir todo el c\u00f3digo a mano. Entornos de programaci\u00f3n como PyTorch<\/a>, llamados \u201cframeworks\u201d o marcos de trabajo, permiten utilizar modelos complejos en muy pocas l\u00edneas.\n

La historia de PyTorch<\/h2>\nLos frameworks permiten dar un marco y herramientas para facilitar la programaci\u00f3n<\/b>. Por lo general se desarrollan en \u201copen source\u201d<\/b>, es decir que cualquier puede modificar y acceder al c\u00f3digo, lo que permite fiabilidad, transparencia y un mantenimiento continuo.\n\nPyTorch no es ninguna excepci\u00f3n. Basado en la antigua biblioteca Torch, PyTorch fue lanzado oficialmente en 2016<\/b> por un equipo del laboratorio de investigaci\u00f3n de Facebook<\/b>, y desde entonces se ha desarrollado en open source. El objetivo de este framework es permitir la implementaci\u00f3n y el entrenamiento de modelos de Deep Learning<\/b> de manera sencilla y eficiente. Su fusi\u00f3n en 2018 con Caffe2<\/a> (otro framework de Python) permiti\u00f3 mejorar a\u00fan m\u00e1s sus rendimientos.\n\nEn la actualidad un 17 % de los desarrolladores de Python utiliza PyTorch (estudio de la Python Foundation 2020<\/a>) y tambi\u00e9n se usa en muchas empresas como Tesla, Uber, etc.\n\n\n
Aprender a utilizar<\/a><\/div><\/div>\n\n

Pytorch vs Keras vs Tensorflow<\/h2>\nEs dif\u00edcil presentar PyTorch sin hablar de sus alternativas, todas ellas creadas con pocos a\u00f1os de intervalo, y pr\u00e1cticamente con el mismo objetivo, pero con m\u00e9todos diferentes.\n\nKeras fue desarrollado en marzo de 2015 por Fran\u00e7ois Chollet, investigador de Google. Este framework se hizo r\u00e1pidamente popular gracias a su API f\u00e1cil de usar<\/b>, inspirada en gran medida en scikit-learn, la biblioteca de Machine Learning<\/a> est\u00e1ndar de Python<\/a>.\n\nVarios meses despu\u00e9s, en noviembre de 2015, Google public\u00f3 una primera versi\u00f3n de TensorFlow y r\u00e1pidamente se convirti\u00f3 en el framework de referencia de Deep Learning<\/b>, ya que permite utilizar Keras. Tensorflow tambi\u00e9n ha puesto a punto una serie de funcionalidades de aprendizaje profundo que los investigadores necesitaban para crear f\u00e1cilmente<\/b> redes neuronales complejas.\n\nPor tanto Keras era muy f\u00e1cil de usar, pero no tenia alguna funcionalidades b\u00e1sicas o algunas personalizaciones necesarias para los modelos punteros. Por el contrario, Tensorflow daba acceso a sus funciones, pero no se parec\u00eda al estilo habitual de Python y ten\u00eda una documentaci\u00f3n muy complicada para los principiantes.\n\nPyTorch resolvi\u00f3 esos problemas<\/b> creando una API a la vez accesible y f\u00e1cil de personalizar, que permit\u00eda crear nuevos tipos de redes, optimizadores y arquitecturas in\u00e9ditas.\n\nDicho esto, las recientes evoluciones de esos frameworks han acercado much\u00edsimo<\/b> sus<\/b> modos de funcionamiento<\/b>. Antes de ponernos con los detalles t\u00e9cnicos de PyTorch, aqu\u00ed tienes una tabla recapitulativa de las diferencias<\/b> entre estas herramientas. Puesto que Keras y Tensorflow funcionan ahora juntos, conviene presentarlos conjuntamente.\n\n\"tableau\n\n
Convertirse en experto en PyTorch<\/a><\/div><\/div>\n\n

Uso de PyTorch para el Deep Learning<\/h2>\nHemos hablado de la complejidad de los modelos y de las redes sin hablar de la velocidad de ejecuci\u00f3n de los algoritmos. En efecto, PyTorch fue dise\u00f1ado para minimizar ese tiempo y utilizar mejor las especificidades del hardware<\/b>.\n\nPyTorch representa los datos en forma de tablas multidimensionales, similares a las tablas NumPy, llamadas \u201ctensores<\/b>\u201d. Los tensores almacenan los inputs de la red neuronal, los par\u00e1metros de los hidden layers y los outputs. A partir de esos tensores, PyTorch puede llevar, de manera oculta y eficaz, 4 etapas para entrenar la red:\n
    \n \t
  • Montar una gr\u00e1fico a partir de los tensores de la red neuronal, lo que permite una estructura din\u00e1mica, es posible modificarla (n\u00famero de nudos, conexiones entre ellos, etc.) durante el aprendizaje.<\/li>\n \t
  • Efectuar las predicciones<\/b> de la red (\u201cforward pass\u201d).<\/li>\n \t
  • Calcular la p\u00e9rdidas<\/b> o error respecto a las predicciones<\/li>\n \t
  • Atravesar la red en el sentido inverso: \u201cbackpropagation<\/b>\u201d, y ajustar los tensores para que la red haga predicciones m\u00e1s precisas basadas en la p\u00e9rdida\/error calculado.<\/li>\n<\/ul>\n